蘋果圖像邊緣提取是蘋果分級(jí)過程中的重要一步,正確地提取出蘋果邊緣,可有效提高分級(jí)的正確率。針對(duì)傳統(tǒng)邊緣提取算法邊緣定位精度低、抗噪能力弱、邊緣點(diǎn)模糊等缺點(diǎn),提出一種基于多方向改進(jìn)Sobel算子和自適應(yīng)閾值的蘋果邊緣提取算法。將傳統(tǒng)Sobel算子方向模板增加至8個(gè)來提高邊緣定位精度;通過改進(jìn)小波系數(shù)鄰域進(jìn)行方差估計(jì),來獲得自適應(yīng)最佳閾值;結(jié)合閾值和改進(jìn)Sobel算法獲得蘋果邊緣圖像。通過蘋果邊緣檢測(cè)實(shí)驗(yàn)表明:該自適應(yīng)算法處理時(shí)間相比于傳統(tǒng)Sobel邊緣檢測(cè)降低了30.4%,分級(jí)正確率從93%提高至97.5%,表明該算法在去噪的同時(shí)能夠較好保留邊緣信息,有利于提高后續(xù)蘋果分級(jí)檢測(cè)的精度。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1Sobel算子（濾波模板）

Sobel算法廣泛應(yīng)用于圖像邊緣檢測(cè)。其思想是計(jì)算輸入灰度圖像的一階導(dǎo)數(shù)，利用一階導(dǎo)數(shù)的大小表示檢測(cè)圖像中的邊緣。圖像中各個(gè)像素點(diǎn)(x,y)的導(dǎo)數(shù)使用梯度表示，使用濾波模板與像素點(diǎn)卷積來獲得梯度，新的像素點(diǎn)由梯度值代替[10]。濾波模板如圖1所示。為了獲得梯度，分別對(duì)3x3方形窗....

圖2傳統(tǒng)Sobel邊緣檢測(cè)流程圖

將梯度圖像的每個(gè)像素與預(yù)定閾值T進(jìn)行比較。如果梯度值超過閾值，則將像素視為邊緣，否則為非邊緣點(diǎn)，通過對(duì)比閾值創(chuàng)建出二值邊緣圖像。傳統(tǒng)Sobel算法流程如圖2所示。這種算法計(jì)算量小、運(yùn)算速度快，缺點(diǎn)也很明顯，例如只考慮2個(gè)方向的梯度，邊緣定位精度不高，并且關(guān)鍵的邊緣點(diǎn)判定的閾值需要....

圖3改進(jìn)的Sobel算子8個(gè)方向模板

為了提高目標(biāo)邊緣的定位精度，將傳統(tǒng)Sobel算子只計(jì)算水平和垂直兩方向梯度，擴(kuò)展到8個(gè)方向計(jì)算梯度，現(xiàn)在將原始的0°和90°方向模板添加到45°，135°，180°，225°，270°和315°方向模板。8個(gè)方向模板如圖3所示。通過使用上述8個(gè)方向模板，圖像通過卷積運(yùn)算得出。選擇....

圖4小波去噪基本原理

小波閾值降噪的原理是將含有噪聲的圖像進(jìn)行小波分解后估算閾值，使用收縮原理處理與噪聲有關(guān)的小波系數(shù)，即適當(dāng)將系數(shù)加權(quán)或置零，再將重新計(jì)算后的小波系數(shù)與圖像結(jié)合進(jìn)行小波重構(gòu)，就可以得到去噪后的圖像[12]。去噪過程的原理如圖4所示。收縮原理中主要使用軟、硬閾值2種方法處理閾值。硬閾值....

本文編號(hào)：3910843